МЕТОД ПІДГОТОВКИ НАЧАЛЬНИХ ПОЛІНОМІВ ДЛЯ РЕКУРСИВНИХ СИСТЕМАТИЧНИХ ЗГОРТОЧНИХ КОДІВ ТУРБО КОДІВ З ВИКОРИСТАННЯМ ГЕНЕТИЧНОГО АЛГОРИТМУ
DOI:
https://doi.org/10.28925/2663-4023.2024.24.266281Ключові слова:
коригуючі коди; турбо коди; безпроводові системи передачі даних; функції правдоподібності; адаптація.Анотація
Стаття присвячена підвищенню ефективності функціонування безпроводових систем передачі інформації з адаптацією за рахунок підготовки начальних поліномів рекурсивних систематичних згорточних кодів турбо кодів з використанням генетичного алгоритму. В якості цільової функції запропонований показний кількості змін знаку апріорно-апостеріорної інформації декодера турбо коду для певної вибірки біт даних. В якості апріорної інформації використовується значення канальних символів з урахуванням функції «надійності» каналу, яка вказує на рівень дисперсії завад типу адитивний білий гаусівський шум. В якості апостеріорної інформації використовується логарифм відношення функцій правдоподібності про переданий біт даних. Аналіз відомих робіт показує, що при використанні адаптивних систем з кодуванням в якості параметра, що адаптується використовується швидкість кодування, яка регулюється кількістю перевірочних символів з виходу кодера турбо кода, при цьому відсутні розробки з адаптації поліномів турбо кодів, а також з швидкого формування начальних поліномів рекурсивних систематичних згорточних кодів турбо кодів. Використання раціональних поліномів в якості начальних при адаптації дозволить ефективніше використовувати енергетичну ефективність безпроводових систем передачі даних. Стаття складається із вступу, де висвітлено проблему, проведено аналіз останніх досліджень та публікацій по цій тематиці та сформульовано мету статті. Показано результати дослідження, зроблено висновки та перспективи подальших досліджень. Завершуються стаття списком використаних джерел. Як результат роботи запропонованого методу наведено первинні поліноми турбо кодів, які були знайдені із застосуванням генетичного алгоритму для каналу з адитивним білим гаусівським шумом. Напрямком подальший досліджень вважаємо пошук початкових перемежувачів між компонентними рекурсивними систематичними згорточними кодами турбо кодів.
Завантаження
Посилання
Mirjalili, S. (2019). Genetic algorithm, Evolutionary algorithms and neural networks. 43–55. https://doi.org/10.1007/978-3-319-93025-1_4
Kramer, O. (2017). Genetic algorithm essentials. Springer, 679. https://doi.org/10.1007/978-3-319-52156-5
Hariyadi, P. M., Nguyen, P. T., Iswanto, I., & Sudrajat, D. (2020). Traveling Salesman Problem Solution using Genetic Algorithm. J. Critical Reviews, 7(1), 56–61. http://dx.doi.org/10.22159/jcr.07.01.10.10
Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80. 8091–8126. https://doi.org/10.1007/s11042-020-10139-6
Shrivastava, P., Dhingra, S.L. & Gundaliya, P.J. (2010). Application of genetic algorithm for scheduling and schedule coordination problems. Journal of Advanced Transportation, 36(1), 23–41. https://doi.org/10.1002/atr.5670360103
Nugroho, E. D., Wibowo, M. E. & Pulungan, R. (2017). Parallel implementation of genetic algorithm for searching optimal parameters of artificial neural networks. 3rd International Conference on Science and Technology-Computer (ICST), 136–141. https://doi.org/10.36227/techrxiv.12657173.v1
Mensouri, M., & Aaround, A. (2016). Adaptive encoding/decoding for turbo codes. International Conference on Big Data and Advanced Wireless Technologies (BDAW`16), 1–7. https://doi.org/10.1145/3010089.3010096
Xie, C., El-Hajjar, M., & Xin Ng, S. (2023). Machine learning assisted adaptive LDPC coded system design and analysis. IET Communications, 18, 1–10. https://doi.org/10.1049/cmu2.12707
Berrou, C., Glavieux, A., & Thitimajshima, P. (1993). Near Shannon limit error-correcting coding and decoding: Turbo-codes. International Conference on Communications (ICC-93), 1064–1070. https://doi.org/10.1109/ICC.1993.397441
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Павло Курбет
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
